arXiv · Computer Vision· Haoyang Luo, Linwei Tao, Jie Gui, Xinghao Chen, Chang Xu, Jianyuan Guo, Minjing Dong·· 16 小时前AI 评分34
通过因果不变掩码揭示 MLLM 中的认知不确定性
Revealing Epistemic Uncertainty in MLLMs via Causal-Invariant Masking
AI 导读
一项研究提出因果不变掩码（CIM）框架，用于量化多模态大语言模型（MLLM）中的认知不确定性，并引入语义散度作为核心指标，理论证明其收敛于模型对非因果相关性的敏感度方差。为加速不确定性量化，研究进一步提出期望嵌入漂移（EED），在超球面嵌入空间中直接估计语义偏移。实验在多个基准上取得 SOTA 性能，EED 加速近 50% 且性能相当；论文已被 NeurIPS 2026 接收。
来源：arXiv · Computer Vision · arxiv.org